关于机器学习在网络入侵检测中的跨数据集泛化
密码学与安全
2025-09-18 v1 机器学习
网络与互联网体系结构
摘要
网络入侵检测系统 (NIDS) 是网络安全的基本工具。其在不同网络间的泛化能力是其有效性的关键因素，也是实际应用的前提条件。在本研究中，我们通过跨数据集框架下的广泛实验，对基于机器学习的 NIDS 的泛化能力进行了全面分析。我们采用了四种机器学习分类器，并利用了从不同网络获取的四个数据集：CIC-IDS-2017、CSE-CIC-IDS2018、LycoS-IDS2017 和 LycoS-Unicas-IDS2018。值得注意的是，最后一个数据集是一项新贡献，其中我们基于 LycoS-IDS2017 对知名的 CSE-CIC-IDS2018 数据集应用了修正。结果显示，当模型在同一数据集上进行训练和测试时，分类性能近乎完美。然而，当以跨数据集方式训练和测试模型时，除了少数攻击和数据集组合外，分类准确率大致相当于随机猜测。我们采用数据可视化技术以提供关于数据模式的宝贵见解。我们的分析揭示了数据中存在的异常，这些异常直接阻碍了分类器将所学知识泛化到新场景的能力。本研究增强了我们对基于机器学习的 NIDS 泛化能力的理解，强调了承认数据异质性的重要性。
引用
@article{arxiv.2402.10974,
title = {On the Cross-Dataset Generalization of Machine Learning for Network Intrusion Detection},
author = {Marco Cantone and Claudio Marrocco and Alessandro Bria},
journal= {arXiv preprint arXiv:2402.10974},
year = {2025}
}